V-JEPA 2 di Meta addestra un world model sui video per guidare le azioni dei robot

Cosa ha davvero rilasciato Meta

L'11 giugno 2025 Meta ha presentato V-JEPA 2, un world model addestrato su video che l'azienda posiziona come successore del V-JEPA originale, uscito l'anno scorso. L'obiettivo dichiarato è il ragionamento fisico: dare agli agenti IA un modello interno di come il mondo reagirà alle loro azioni.

Meta identifica tre capacità come il nucleo di un world model: comprensione, previsione e pianificazione. Il primo V-JEPA copriva comprensione e previsione a partire dai video. V-JEPA 2 viene presentato come un miglioramento di entrambe, al punto da permettere ai robot di agire sulla base delle previsioni del modello.

Insieme al modello, Meta ha rilasciato tre nuovi benchmark pensati per permettere ad altri ricercatori di misurare quanto bene i propri modelli ragionino sul mondo fisico a partire dai video. Questo abbinamento — un modello più i metri di paragone per valutare modelli nello stesso ambito — è la parte più rilevante del rilascio.

La demo robotica è limitata, e Meta lo dichiara apertamente

La prova concreta che Meta offre è un risultato di laboratorio: robot che usano V-JEPA 2 per raggiungere oggetti, prenderli e posizionarli in un nuovo punto. Sono le operazioni primitive classiche della manipolazione robotica, e l'annuncio le descrive senza giri di parole, non come prodotti finiti.

La frase usata da Meta è che i robot possono 'interagire con oggetti e ambienti non familiari per completare un compito.' Questa formulazione conta: generalizzare su oggetti non familiari è la parte difficile della manipolazione, e un modello che ha imparato schemi di interazione dai video, invece che da dati di teleoperazione specifici per un compito, rappresenta una scommessa diversa rispetto alla maggior parte delle pipeline robotiche.

Ma la fonte si ferma a raggiungere, prendere e posizionare, nei laboratori stessi di Meta. Non ci sono affermazioni su percentuali di successo, complessità dei compiti o utilizzo fuori da condizioni controllate. Letto alla lettera, è una dimostrazione preliminare di capacità legata al rilascio di un modello.

Imparare la fisica dai video invece che da dati di azione etichettati

Abbiamo addestrato V-JEPA 2 usando video, il che ha aiutato il modello a imparare schemi importanti del mondo fisico, tra cui il modo in cui le persone interagiscono con gli oggetti, come gli oggetti si muovono nel mondo fisico e come gli oggetti interagiscono tra loro.Montana Labs

La scommessa dietro questo approccio è che i video passivi sono abbondanti e la fisica è costante, quindi un modello può assorbire come gli oggetti si muovono e si scontrano senza bisogno di etichette esplicite o di essere guidato attraverso ogni singola azione. Le analogie della pallina da tennis e del disco da hockey nell'annuncio sono il modo di Meta per descrivere la previsione di uno stato futuro, non il riconoscimento dello stato attuale.

È una linea evolutiva distinta rispetto agli agenti guidati da modelli linguistici che ragionano in forma testuale. Qui il substrato del ragionamento è una rappresentazione appresa delle dinamiche visive, e il 'pensare prima di agire' del titolo si riferisce specificamente alla previsione dei risultati prima di eseguire un'azione fisica.

I benchmark sono la parte da osservare per i team applicati

Per chi costruisce soluzioni di IA sul mondo fisico, i tre benchmark sono più utili del modello stesso. Il rilascio di un modello è un singolo artefatto; criteri di valutazione condivisi plasmano il modo in cui un intero settore misura i progressi, e chi definisce il benchmark tende a definire anche cosa conta come successo.

Meta collega esplicitamente questo passo all'accelerazione della ricerca esterna, offrendo alla community sia 'i migliori modelli' che 'i migliori benchmark'. I team che valutano world model per la robotica dovrebbero trattare questi benchmark come un'affermazione su cosa significhi ragionamento fisico — da adottare o contestare, non da accettare senza verifica.

L'implicazione specifica: V-JEPA 2 segnala che Meta sta competendo sul terreno dei world model video-to-action, e pubblicando i metri di paragone insieme al modello sta cercando di stabilire i termini con cui verranno giudicati i modelli di ragionamento fisico di tutti gli altri. Questa mossa nel definire lo standard dura più della demo di presa e posizionamento con cui è arrivata.